[논문 리뷰] Kinematic Single Vehicle Trajectory Prediction Baselines and Applications with the NGSIM Dataset

Jean Mercat, Nicole El Zoghby외 3명|arXiv (Cornell University)|2019. 08. 29.

Autonomous Vehicle Technology and Safety인용 수 10

한 줄 요약

이 논문은 NGSIM I-80 및 US-101 데이터셋을 사용하여 단일 차량 궤적 예측을 위한 재현 가능한 운동 기반 기준선을 제시한다. 일정 속도 칼만 필터를 사용하며, 학습된 파rameter를 적용한다. 표준 속도 명령 대신 LSTM으로 예측한 명령을 도입함으로써 불확실성 추정을 향상시켰으며, 이는 이전 모델보다 낮은 RMSE와 NLL를 달성하면서도 물리적 해석 가능성은 유지하고 공분산 추정을 향상시킨다.

ABSTRACT

In the recent vehicle trajectory prediction literature, the most common baselines are briefly introduced without the necessary information to reproduce it. In this article we produce reproducible vehicle prediction results from simple models. For that purpose, the process is explicit, and the code is available. Those baseline models are a constant velocity model and a single-vehicle prediction model. They are applied on the NGSIM US-101 and I-80 datasets using only relative positions. Thus, the process can be reproduced with any database containing tracking of vehicle positions. The evaluation reports Root Mean Squared Error (RMSE), Final Displacement Error (FDE), Negative Log-Likelihood (NLL), and Miss Rate (MR). The NLL estimation needs a careful definition because several formulations that differ from the mathematical definition are used in other works. This article is meant to be used along with the published code to establish baselines for further work. An extension is proposed to replace the constant velocity assumption with a learned model using a recurrent neural network. This brings good improvements in accuracy and uncertainty estimation and opens possibilities for both complex and interpretable models.

연구 동기 및 목표

• NGSIM 데이터셋을 사용하여 재현 가능하고 투명한 단일 차량 궤적 예측 기준선을 수립하기 위해.
• 학습된 LSTM 모델을 사용해 칼만 필터의 명령 입력을 재정의함으로써 궤적 예측의 불확실성 추정을 향상시키기 위해.
• 적절한 파rameter 조정을 통해 단순한 운동 기반 모델이 더 복잡한 모델보다 NLL 및 오차 공분산 추정 측면에서 뛰어난 성능을 보임을 입증하기 위해.
• 재현 가능성을 보장하기 위해 오픈소스 코드와 명확한 구현 세부 정보를 제공하기 위해.
• 물리적 일致성과 해석 가능성 있는 기반을 제공함으로써 향후 모델 간 공정한 비교를 가능하게 하기 위해.

제안 방법

• 상태 벡터 $X = (x, v_x, y, v_y)^T$ 를 사용한 일정 속도 칼만 필터를 적용하며, 선형 전이 행렬 $A$ 와 랜덤 가속도로 모델링된 과정 노이즈를 사용한다.
• 각 예측 시간에 중심을 두고 3초 관측 창(5Hz 기준 15프레임)에서 칼만 필터를 훈련하며, 상태 초기화 및 순차적 갱신을 통해 $t_0$ 에서 정확한 추정을 달성한다.
• 칼만 필터의 예측 단계에서 표준 속도 명령 대신 RNN 셀이 각 시간 단계에서 제어 입력(예: 가속도)을 예측하는 LSTM 모델을 도입한다.
• NLL 손실을 사용해 종합적으로 훈련하며, 상태 초기화 및 명령 예측 단계를 별도로 처리해 훈련 안정성을 향상시킨다.
• 일반적인 칼만 필터 프레임워크(식 2–4)를 사용하며, 다른 운동 기반 모델로도 확장 가능하지만, 자전거 모델과 같은 더 복잡한 모델에서는 안정성 문제가 발생했다.
• 검증 전략으로 실제 궤적에 예측 오차 타원을 겹쳐 공분산 추정 품질을 평가한다.

실험 결과

연구 질문

• RQ1 적절히 캘리브레이션된 파rameter를 가진 단순한 일정 속도 칼만 필터가 단일 차량 궤적 예측을 위한 신뢰할 수 있고 재현 가능한 기준선이 될 수 있는가?
• RQ2 NLL 기반의 불확실성 평가에서 단순 칼만 필터와 최신 딥러닝 모델 간의 성능 비교는 어떻게 되는가?
• RQ3 LSTM 기반의 명령 예측기 도입이 궤적 예측 정확도와 불확실성 추정을 향상시키면서도 물리적 해석 가능성은 유지할 수 있는가?
• RQ4 RNN 기반 모델에 운동 기반 구조를 강제로 적용할 경우 일반화 능력과 오차 공분산 추정에 얼마나 기여하는가?
• RQ5 일관되고 명확한 NLL 설정 및 철저한 파arameter 조정을 통해 기존에 발표된 모델보다 뛰어난 성능을 달성할 수 있는가?

주요 결과

• 제안된 칼만 필터 기준선은 동일한 데이터셋에서 이전 논문 결과보다 낮은 NLL(예: 5초 시점에서 -0.15)을 기록하여 더 나은 불확실성 추정을 의미한다.
• LSTM 향상 모델은 V-LSTM 기준선 [4] 대비 5초 시점에서 RMSE를 5.5% 감소시켰으며(5.95 vs. 6.26), NLL도 0.06 감소시켰다.
• 최종 이격 오차(FDE)는 5초 시점에서 0.08m 감소시켰다(4.56 vs. 4.66), 그리고 미스 레이트는 약간 낮아져(0.71 vs. 0.71) 신뢰성 향상을 보였다.
• 연구 결과, 최신 모델들이 잘 캘리브레이션된 단순 칼만 필터보다 공분산 추정 성능을 크게 향상시키지 못한다는 점을 밝혀내었으며, 이는 문헌에서 일반적으로 가정되는 바를 도전한다.
• 이 방법은 최대 가속도 등의 해석 가능한 제약 조건을 유지하며 물리적 일치성을 유지하지만, 잠재공간 모델과는 달리 그렇지 않다.
• 일정 속도 모델에서는 안정적인 성능을 기록했지만, 자전거 모델을 적용한 경우 최적화 불안정성이 발생하여 이 프레임워크를 더 복잡한 동역학 모델로 확장하는 데에는 한계가 있음을 시사한다.